答案为（A）：你可以把文章评论数看作连续型的目标变量，因此该问题可以划分到回归问题。因此均方误差就可以作为损失函数的度量标准。

7. 给定以下三个图表（从上往下依次为1，2，3）. 哪一个选项对以这三个图表的描述是正确的？

A. 1 是 tanh，2 是 ReLU，3 是 SIGMOID 激活函数

B. 1 是 SIGMOID，2 是 ReLU，3 是 tanh 激活函数

C. 1 是 ReLU，2 是 tanh，3 是 SIGMOID 激活函数

D. 1 是 tanh，2 是 SIGMOID，3 是 ReLU 激活函数

答案为（D）：因为 SIGMOID 函数的取值范围是 [0,1]，tanh 函数的取值范围是 [-1,1]，RELU 函数的取值范围是 [0,infinity]。

8. 以下是目标变量在训练集上的 8 个实际值 [0,0,0,1,1,1,1,1]，目标变量的熵是所少？

A. -(5/8 log(5/8) + 3/8 log(3/8))

B. 5/8 log(5/8) + 3/8 log(3/8)

C. 3/8 log(5/8) + 5/8 log(3/8)

D. 5/8 log(3/8) – 3/8 log(5/8)

答案为（A）：信息熵的公式为：

9. 假定你正在处理类属特征，并且没有查看分类变量在测试集中的分布。现在你想将 one hot encoding（OHE）应用到类属特征中。那么在训练集中将 OHE 应用到分类变量可能要面临的困难是什么？

A. 分类变量所有的类别没有全部出现在测试集中

B. 类别的频率分布在训练集和测试集是不同的

C. 训练集和测试集通常会有一样的分布

D. A 和 B 都正确

E. 以上都不正确

答案为（D）：A、B 项都正确，如果类别在测试集中出现，但没有在训练集中出现，OHE 将会不能进行编码类别，这将是应用 OHE 的主要困难。选项 B 同样也是正确的，在应用 OHE 时，如果训练集和测试集的频率分布不相同，我们需要多加小心。

10.Skip gram 模型是在 Word2vec 算法中为词嵌入而设计的最优模型。以下哪一项描绘了 Skip gram 模型？

A. A

B. B

C. A 和 B

D. 以上都不是

答案为（B）：这两个模型都是在 Word2vec 算法中所使用的。模型 A 代表着 CBOW，模型 B 代表着 Skip gram。

11. 假定你在神经网络中的隐藏层中使用激活函数 X。在特定神经元给定任意输入，你会得到输出「-0.0001」。X 可能是以下哪一个激活函数？

A. ReLU

B. tanh

C. SIGMOID

D. 以上都不是

答案为（B）：该激活函数可能是 tanh，因为该函数的取值范围是 (-1,1)。

12. 对数损失度量函数可以取负值。

A. 对

B. 错

答案为（B）：对数损失函数不可能取负值。

13. 下面哪个/些对「类型 1（Type-1）」和「类型 2（Type-2）」错误的描述是正确的？

类型 1 通常称之为假正类，类型 2 通常称之为假负类。

类型 2 通常称之为假正类，类型 1 通常称之为假负类。

类型 1 错误通常在其是正确的情况下拒绝假设而出现。

A. 只有 1

B. 只有 2

C. 只有 3

D. 1 和 2

E. 1 和 3

F. 3 和 2

答案为（E）：在统计学假设测试中，开奖，I 类错误即错误地拒绝了正确的假设（即假正类错误），II 类错误通常指错误地接受了错误的假设（即假负类错误）。

14. 下面在 NLP 项目中哪些是文本预处理的重要步骤？

词干提取（Stemming）

移去停止词（Stop word removal）

目标标准化（Object Standardization）

A. 1 和 2

B. 1 和 3

C. 2 和 3

D. 1、2 和 3